Radiometry and Photometry 辐射度量学与光度学

2023-12-05 11:32

本文主要是介绍Radiometry and Photometry 辐射度量学与光度学,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

Radiometry and Photometry

摄影是与我们周围环境的光影打交道的,但是因为人眼的特殊构造,或者说大自然的奇妙,让人眼对不同波长的光的敏感度是不同的,不仅是人类,不同生物的视觉系统,对不同波长的光谱都有一定的选择性,所以我们衡量周围环境的光线的时候,有两个不同的度量体系,一个是 Radiometry,另外一个是 Photometry,Radiometry 表示的是环境中光线的实际能量,而 Photometry 表示的是人眼感受到的环境光线的能量。

很多生物的视觉系统,包括人眼在内,都可以看成类似一个带通滤波器,对某些特定波长的光线更加敏感,人眼对于光谱中不同波长的响应是不同的,这个响应可以理解成是一个实际光线的能量与人眼感受到的光线能量的转换,国际上定义这个转换为 Luminous efficiency ( Φ ( λ ) \Phi(\lambda) Φ(λ)), 实验发现人眼对波长为 555nm 的光最为敏感,所以用这个波长的数据作为相对数值的标准,即 v ( λ ) = 1 v(\lambda) = 1 v(λ)=1,其它波长的敏感度都是小于 1 的数值,离 555nm 越远,敏感度越低,所以人眼一般能够感受的就是我们常说的可见光波段的光线,超过这个波段的,人眼基本感受不到。人眼的敏感度与不同波长的光线的关系如下图所示:

在这里插入图片描述

光通量–流明 lm

流明是光度学(Photometry)上类比于"功率"的概念,和辐射度量学上的瓦特(W)是可以进行对应并进行理解的,光源所发出的光能是向所有方向辐射的,对于在单位时间里通过某一面积的光能,称为通过这一面积的辐射能通量,在人眼最灵敏的555nm处,流明(lm)和瓦特(W)的换算关系常数 K m K_m Km=638lm/W。或者说,真实的功率(Φe)为1瓦的555nm的光,其光通量(Φ)为638流明

而对于其他波长,由于人眼不那么灵敏,同样功率为1W的光,其光通量(Φ)是达不到638lm的;或者说同样1W的光,我们会觉得其他颜色的光不及555nm的亮,luminous efficiency( v ( λ ) v(\lambda) v(λ))越小,我们会觉得这光越弱。对于任意波长 λ \lambda λ,如果其功率是 Φ e ( λ ) \Phi_{e}(\lambda) Φe(λ),那么在光度学(photometry)上的光通量 Φ ( λ ) \Phi(\lambda) Φ(λ)为:

Φ ( λ ) = K m ⋅ Φ e ( λ ) ⋅ v ( λ ) \Phi(\lambda) = K_m \cdot \Phi_{e}(\lambda) \cdot v(\lambda) Φ(λ)=KmΦe(λ)v(λ)

如果是非单色光,也就是混合了不同波长的光,那么整体的光通量是需要考虑不同波长的光的:

辐射测量学(radiometry)中的功率瓦特和光度学(photometry)中的光通量流明可以如下换算:

Φ = ∫ Φ ( λ ) ⋅ d λ = K m ∫ Φ e ( λ ) ⋅ v ( λ ) ⋅ d λ \Phi = \int \Phi(\lambda) \cdot d\lambda = K_m \int \Phi_{e}(\lambda) \cdot v(\lambda) \cdot d\lambda Φ=Φ(λ)dλ=KmΦe(λ)v(λ)dλ

照度 Illuminance – 勒克斯 lux

勒克斯(lux)这个单位以及其对应的概念照度(illuminance),用于描述单位面积的物体/探测器受到了多少"功率"(光通量):

E = d Φ d S E = \frac{d\Phi}{dS} E=dSdΦ

发光强度 Luminous intensity – 坎德拉(cd)

坎德拉(cd)这个单位以及其对应的概念发光强度(Luminous intensity),被用于描述在人眼看来,一个点光源究竟亮不亮,以点光源为原点的单位立体角(单位为球面度sr)内总共有多大的"功率"。其在辐射测量学上对应的单位是:W/sr(瓦特每球面度)。

I = d Φ d w I = \frac{d\Phi}{dw} I=dwdΦ

发光亮度 Luminance – 坎德拉 c d / m 2 cd/m^2 cd/m2

除了点光源,面光源也非常常见。所以另有一个发光亮度的概念来描述面光源的强度。而对于面光源,观察者和这个面所呈的角度也很重要,所以在发光强度的基础上除了需要考虑面积,还得考虑面与观察者的角度问题。

M = d I d s ⋅ c o s θ M = \frac{dI}{ds \cdot cos\theta} M=dscosθdI

参考文献:

http://share.hamamatsu.com.cn/specialDetail/838.html

这篇关于Radiometry and Photometry 辐射度量学与光度学的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/457396

相关文章

量化交易面试:什么是连贯风险度量?

连贯风险度量(Coherent Risk Measures)是金融风险管理中的一个重要概念,旨在提供一种合理且一致的方式来评估和量化风险。连贯风险度量的提出是为了克服传统风险度量方法(如VaR,风险价值)的一些局限性。以下是对连贯风险度量的详细解释: 基本概念: 连贯风险度量是指满足特定公理的风险度量方法,这些公理确保了风险评估的一致性和合理性。 这些公理包括:非负性、次可加性、同质性和单调

PowerBI DAX中计算列和度量值之间有什么优缺点?

在Power BI中,度量值(Measures)和新建列(Calculated Columns)都是使用DAX(数据分析表达式)来创建的,它们都可以用来进行数据计算和分析。但是,它们在使用场景、性能和交互性方面有所不同。 以下是度量值和新建列的优缺点: 度量值(Measures) 优点: 性能优化:度量值在内存中进行计算,通常比基于行的计算(如新建列)更快。参与视觉对象

CST软件如何仿真GPS上半球空间的辐射占比

手机GPS天线测试,除了关心常规指标外,通常还要评估天线上半空间和下半空间的辐射比,以了解GPS天线真正有用的辐射效率有多少。本期将以GPS天线为例介绍在CST中如何仿真GPS上下空间的辐射比。 这里用Antenna Magus库,创建了一个IFA天线用来做本例的演示,如下图所示: 要进行方向图分析,需要设置一个远场频点的监视器,例如1.575GHz。然后仿真得到天线的远场方向图如下图所示

跨模态检索研究进展综述【跨模态检索的核心工作在于:①不同模态数据的特征提取、②不同模态数据之间内容的相关性度量】【主流研究方法:基于传统统计分析的技术、基于深度学习的技术】【哈希编码提高检索速度】

随着互联网上多媒体数据的爆炸式增长,单一模态的检索已经无法满足用户需求,跨模态检索应运而生. 跨模态检索旨在以一种模态的数据去检索另一种模态的相关数据。 跨模态检索的核心任务是:数据特征提取 和 不同模态数据之间内容的相关性度量。 文中梳理了跨模态检索领域近期的研究进展,从以下角度归纳论述了跨模态检索领域的研究成果.: 传统方法;深度学习方法;手工特征的哈希编码方法;深度学习的哈希编码方法

【课程笔记】谭平计算机视觉(Computer Vision)[4]:辐射校准高动态范围图像 - Radiometric Calibration HDR

视频地址链接 预备知识 radiance:单位面积单位时间单位方向角发出去的能量 irradiance:单位:功率/平方米;单位面积单位时间接收的能量 ISP: image signal processor 白平衡:人眼会自动滤过白炽灯、日光灯、节能灯下对物体的附加颜色,然而相机没有此功能,因此相机具有矫正功能。 vignetting:对于白墙拍照,一般是中间亮周边暗。边缘上光线散开的效果,

度量学习(Distance Metric Learning)介绍

原文:度量学习(Distance Metric Learning)介绍 http://blog.csdn.net/lzt1983/article/details/7884553 一直以来都想写一篇metric learning(DML)的综述文章,对DML的意义、方法论和经典论文做一个介绍,同时对我的研究经历和思考做一个总结。可惜一直没有把握自己能够写好,因此拖到现在。

【Python机器学习】NLP分词——利用分词器构建词汇表(三)——度量词袋之间的重合度

如果能够度量两个向量词袋之间的重合度,就可以很好地估计他们所用词的相似程度,而这也是它们语义上重合度的一个很好的估计。因此,下面用点积来估计一些新句子和原始的Jefferson句子之间的词袋向量重合度: import pandas as pdsentence="""Thomas Jefferson Began buliding Monticelli as the age of 26.\n""

深度学习实用方法 - 性能度量篇

序言 在深度学习的广阔领域里,性能度量是连接理论与实践的桥梁,它不仅是评估模型效果的关键指标,也是指导模型优化与改进的重要依据。随着大数据时代的到来和计算能力的提升,深度学习模型在图像识别、自然语言处理、推荐系统等多个领域取得了突破性进展。然而,如何准确、全面地评估这些复杂模型的性能,成为了研究者们面临的重要挑战。性能度量不仅关乎模型预测的准确性,还涉及到稳定性、泛化能力、计算效率等多个维度,为

图像检索中相似度度量公式:各种距离

基于内容的图像检索(Content-Based Image Retrieval)是指通过对图像视觉特征和上下文联系的分析,提取出图像的内容特征作为图像索引来得到所需的图像。 相似度度量方法 在基于内容的图像检索中需要通过计算查询和候选图像之间在视觉特征上的相似度匹配。因此需要定义一个合适的视觉特征相似度度量方法对图像检索的效果无疑是一个很大的影响。提取的视觉特征大都可以表示成向量的形式,

NASA:北极辐射-冰桥海冰实验(ARISE)2014年原地云数据产品

ARISE_Cloud_AircraftInSitu_C130_Data 简介 ARISE_Cloud_AircraftInSitu_C130_Data_1是北极辐射-冰桥海冰实验(ARISE)2014年原地云数据产品。该产品是位于华盛顿的美国宇航局科学任务局地球科学部辐射科学、冰冻层科学和机载科学计划共同努力的成果。数据是通过两个云探测器,即云液滴探测器(CDP)和 WCM-200 多元素水